[發明專利]供熱系統負荷實時優化調度方法、機組模型、機組及系統

有效

• 申請號: 201910246550.4
• 申請日: 2019-03-29
• 公開（公告）號: CN110007595B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 方大俊;郝靜麒;姜業正;李嵐
• 申請（專利權）人: 常州英集動力科技有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 常州市科誼專利代理事務所 32225
• 代理人: 孫彬

1.一種多熱源供熱系統負荷實時優化調度方法，其特征在于，包括：

步驟S100，構建各熱源機組的機組模型；

步驟S200，建立優化的目標函數；

步驟S300，通過機組模型和優化的目標函數獲得熱源機組負荷的優化調度策略；以及

步驟S400，基于優化調度策略，對熱源機組負荷分配進行實時優化；

所述步驟S100，構建各熱源機組的機組模型的方法包括：

步驟S110，確定各熱源機組的輸入參數，建立輸出輸入關系模型；

所述輸出輸入關系模型為：

F(E,M)＝f(X)＝f(X₁,X₂,...,X_i,...,X_n)；

其中，X為輸入參數，X＝(X₁,X₂,...,X_i,...,X_n)，X_i為熱源機組的第i個輸入參數，n為輸入參數的數量，i∈n；E為能耗量輸出參數；M為排放量輸出參數；

所述步驟S100，構建各熱源機組的機組模型的方法還包括：

步驟S120，基于DCS系統的運行數據，建立輸出輸入關系模型的訓練樣本集：

通過數據清洗算法將DCS系統的運行數據中能耗量輸出參數E、排放量輸出參數M，輸入參數X儲存，以存儲數據中[t1,t1+Δt]時間段內的耗量輸出參數E、排放量輸出參數M的歷史數據作為樣本輸入，[t1,t1+Δt]時間段內輸出參數X的歷史數據作為樣本輸出，并由樣本輸入和與其對應的樣本輸出構成訓練樣本集；

其中，t1為能耗量輸出參數E、排放量輸出參數M和輸入參數X儲存的時刻；Δt為時間區間；設機組模型滾動更新的時間間隔為ΔL，即在t1+ΔL時刻，對機組模型的樣本輸入的時間段進行滾動操作，更新為[t1+Δt,t1+2Δt],即[t2,t2+Δt]；隨著機組模型滾動，時間段依次滾動，即時間段依次更改為[tn,tn+Δt]，n∈1,2...。

2.如權利要求1所述的多熱源供熱系統負荷實時優化調度方法，其特征在于，

所述步驟S100，構建各熱源機組的機組模型的方法還包括：

步驟S130，采用機器學習算法，建立各熱源機組的機組模型；

所述機組模型包括：機器學習模型，即

其中，δ為機器學習模型系數，δ＝(δ₁,δ₂,...δ_i,...,δ_n)，δ_i為第i個輸入參數的機器學習模型系數，給定系數δ初值為c，即δ中所有變量的初始值為c；

基于[tn,tn+Δt]時間段內的樣本輸入和δ，根據輸出輸入關系模型F(E,M)獲得輸出參數，將輸出參數和樣本輸出中的輸出參數進行比較調整δ，直至機組模型滿足收斂條件；每次機組模型滾動更新的時間間隔為ΔL，即t1+ΔL時刻，重新訓練機組模型；

所述收斂條件滿足：

|E^c-E^m|＜ε，|M^c-M^m|＜ε；

其中，X^m為區間Δt內訓練樣本集中輸入參數的數據,為輸入參數中第i個輸入參數的樣本數據；E^c、E^m分別表示基于機器學習模型計算的能耗量輸出參數與訓練樣本集實測的能耗量輸出參數，單位均為：噸標煤；M^c、M^m分別表示基于機器學習模型計算的排放量輸出參數與訓練樣本集實測的排放量輸出參數，單位均為：mg；ε為模型收斂精度；f(X)為熱源機組輸入參數為X的機器學習模型；

當滿足收斂精度后，建立各熱源機組的機組模型：

其中，δ'＝(δ₁',δ₂',...δ_i',...,δ_n')為訓練后的機器學習模型系數；

設熱源機組的數量為z，則所有的機組模型為：

其中，E_j、M_j分別表示第j臺機組模型計算的能耗量輸出參數和排放量輸出參數；F_j(E_j,M_j)第j臺熱源機組的機器學習模型，輸出參數為E_j、M_j，輸入參數為X；f_j(X)為輸入參數的計算函數。